ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO KSZTAŁTOWANIA WŁAŚCIWOŚCI MATERIAŁU POLIMEROWEGO Z PRZEZNACZENIEM DLA TRANSPORTU SZYNOWEGO
|
|
- Dorota Brzozowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Problemy Kolejnictwa Zeszyt Prof. dr hab. inż. Jacek Garbarski Politechnika Warszawska Dr inż. Mariusz Fabijański Instytut Kolejnictwa ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO KSZTAŁTOWANIA WŁAŚCIWOŚCI MATERIAŁU POLIMEROWEGO Z PRZEZNACZENIEM DLA TRANSPORTU SZYNOWEGO SPIS TREŚCI 1. Wstęp 2. Część doświadczalna 3. Wybór danych oraz sprawdzenie poprawności działania sztucznych sieci neuronowych 4. Podsumowanie STRESZCZENIE Sztuczne sieci neuronowe znajdują bardzo szerokie zastosowanie w różnych dziedzinach techniki. Moda na to potężne narzędzie informatyczne nie ominęła także transportu kolejowego, gdzie jest stosowane w diagnostyce, prognozowaniu, optymalizacji. Można je również z powodzeniem stosować do poszukiwania materiałów spełniających odpowiednie kryteria, łącząc ze sobą kilka cech materiałowych takich, jak na przykład właściwości mechaniczne i palne. Materiały polimerowe dostępne na rynku często nie spełniają wysokich wymagań pod względem właściwości palno-dymowych. Konieczne zatem staje się dodawanie do nich odpowiednich środków (uniepalniaczy), poprawiających tę cechę materiałową, ale znacznie pogarszających właściwości mechaniczne. Takim popularnym materiałem reprezentującym ogromną grupę tworzyw styrenowych o szerokich zastosowaniach w budowie taboru szynowego, jest polistyren wysokoudarowy. Uzyskanie wieloskładnikowej, trudnopalnej mieszaniny tworzywowej na bazie polistyrenu wysokoudarowego (HIPS) jest trudne i pracochłonne. W celu znalezienia potencjalnie najlepszego składu, byłoby konieczne przeprowadzenie wielu prób technologicznych. W związku z tym, do rozszerzenia obszaru poszukiwań składu mieszaniny, w celu uzyskania najlepszych właściwości zarówno mechanicznych, jak i palno-dymowych, wykorzystano sztuczne sieci neuronowe. W artykule przedstawiono zastosowanie tych sieci do określenia właściwego składu materiału spełniającego wymagania palnościowe dla materiałów stosowanych w transporcie szynowym.
2 48 J. Garbarski, M. Fabijański 1. WSTĘP Prace prowadzone w zakresie tworzenia sieci neuronowych są związane z badaniami nad biologicznymi aspektami sztucznej inteligencji. Ich wynikiem jest powstanie różnego rodzaju struktur sieci neuronowych oraz opis zasad ich funkcjonowania [18]. Obecnie sieci neuronowe znalazły szerokie zastosowanie w takich dziedzinach, jak: diagnostyka, prognozowanie, optymalizacja, filtracja, konwersja, a także rozpoznawanie (przede wszystkim obrazów i mowy) i inne. Jest to możliwe dzięki jednej z najważniejszych cech sieci neuronowej przetwarzaniu informacji w sposób równoległy. Pomimo, że sieć składa się z bardzo prostych w swej budowie i działaniu elementów, to po połączeniu ich w skomplikowany układ uzyskuje się ogromne możliwości operacyjne. Identycznie, jak w przypadku neuronowych sieci biologicznych, podstawowymi elementami, z których tworzy się sztuczne sieci neuronowe, są sztuczne neurony, czyli elementy, których wybrane własności są analogiczne do wybranych własności neuronów biologicznych. Nie stanowią one jednak wiernej kopii swych biologicznych odpowiedników. Zasada działania sztucznego neuronu jest niezwykle prosta. Do wejść są doprowadzane sygnały dochodzące z neuronów warstwy poprzedniej. Każdy neuron otrzymuje wiele sygnałów wejściowych i na ich podstawie wyznacza odpowiedź jeden sygnał wyjściowy. Każdy sygnał wejściowy jest mnożony przez odpowiadającą mu wartość liczbową, zwaną wagą. Wpływa ona na percepcję danego sygnału wejściowego i jego udział w tworzeniu sygnału wyjściowego przez neuron. Zbiór odpowiednio ułożonych sztucznych neuronów tworzy sztuczną sieć neuronową. Jest ona zdecydowanie prostsza w budowie niż ludzki mózg [10, 11, 12, 14, 18]. Opis wszystkich typów sieci oraz metody ich działania przekroczyłby znacznie objętość niniejszej pracy, dlatego został pominięty. Szczegółowe opisy można znaleźć w literaturze dotyczącej tej dziedziny nauki. Polistyren wysokoudarowy (HIPS) należy do polimerów powszechnie stosowanych. Zalicza się on do tak zwanych tworzyw styrenowych, wśród których można wyróżnić PS (polistyren), SAN (styren-akrylonitryl), ABS (akrylonitryl-butadien-styren) i inne. Powszechnie są one stosowane w wielu dziedzinach gospodarki i techniki, również w szeroko pojętym transporcie szynowym. Mają wiele zalet, czyniąc je materiałami bardzo atrakcyjnymi. Problemem, jaki ogranicza stosowanie tej grupy tworzyw jest ich łatwopalność. W tym celu wprowadza się do tworzywa związki zwane opóźniaczami palenia lub antypirenami. Jednym ze sposobów zmniejszenia palności tworzyw jest uniepalnianie przy użyciu napełniaczy mineralnych. Stosuje się je ze względu na małą ilość wydzielanych dymów, i co się z tym wiąże również toksycznych produktów [1, 18]. Dobre ich działanie uzyskuje się, gdy wprowadzimy do tworzywa około 50% 60% napełniacza, co niesie za sobą pogorszenie właściwości mechanicznych, w związku z tym staje się konieczna odpowiednia modyfikacja materiału [18]. Dlatego też do układu dwuskładnikowego (polimer + uniepalniacz) wprowadza się dodatkowe składniki [2, 6, 14]. Z reguły tego
3 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 49 typu modyfikatory pogarszają z kolei uzyskaną trudnopalność: pojawia się tu sprzeczność pomiędzy właściwościami mechanicznymi i palno-dymowymi. Poprawienie parametrów charakteryzujących właściwości mechaniczne powodowuje pogorszenie właściwości palno-dymowych i odwrotnie. Tego rodzaju sprzeczność stwarza duże trudności przy ustaleniu odpowiedniego składu mieszaniny trudnopalnej, gdzie niejednokrotnie ilość składników jest duża i znalezienie najkorzystniejszej ich proporcji jest czasochłonne. Do znalezienia składu mieszaniny, która byłaby zarówno trudnopalna jak i wytrzymała mechanicznie, użyto sztucznych sieci neuronowych. Jak wiadomo, ich ogromny potencjał operacyjny wynika z możliwości przetwarzania informacji w sposób równoległy. Sieci neuronowe znalazły zastosowanie szczególnie w takich przypadkach, kiedy z jednej strony trudno ustalić sposób rozwiązania, z drugiej dostępne są przykładowe wyniki. Traktując sieć jak czarną skrzynkę, nie ingeruje się w jaki sposób dochodzi ona do rozwiązania [10, 12, 13, 14, 15, 18]. W niniejszej pracy sztuczne sieci neuronowe zostały wykorzystane do poszukiwania najkorzystniejszego składu mieszaniny trudnopalnej na bazie polistyrenu wysokoudarowego (HIPS). Pozwoliły one na znaczne rozszerzenie obszaru poszukiwań i na odpowiednie kształtowanie pożądanych cech materiału Materiały 2. CZĘŚĆ DOŚWIADCZALNA W badaniach tworzywem podstawowym przeznaczonym do uniepalniania był polistyren wysokoudarowy (HIPS). Do badań wytypowano materiał produkcji krajowej, firmy Dwory S.A. o oznaczeniu Owispol 825. Jest to tworzywo łatwopalne, którego wskaźnik tlenowy wynosi tylko 18,5%. Podczas palenia wydziela gęsty, ciemny dym, co stanowi poważny problem przy jego stosowaniu w miejscach zagrożonych pożarem. Ponadto pod wpływem wysokiej temperatury i obecności płomienia materiał płynie, przyjmując postać płonących i kopcących kropel [6, 7, 14]. Zastosowany środek uniepalniający, to wodorotlenek magnezu Mg(OH) 2 o nazwie handlowej Magnifin H5. Jego temperatura rozkładu wynosi 340 C. Jest to mineralny opóźniacz palenia, który w odróżnieniu od związków halogenowych (organicznych), daje efekt uniepalnienia w wyniku rozkładu termicznego z wydzieleniem wody i tlenku magnezu. Wodorotlenek magnezu silnie tłumi dym oraz zmniejsza kwasowość produktów spalania [1, 3, 7, 18]. W celu poprawienia właściwości mechanicznych, a przede wszystkim udarności, wprowadzono dodatkowo modyfikatory udarności w postaci elastomerów termoplastycznych: kopolimeru trój-blokowego: styren-butadien-styren (SBS) o nazwie handlowej Finaclear 530 Atofina oraz kopolimeru styren-etylen-butylen-styren (SEBS) firmy TCT [5].
4 50 J. Garbarski, M. Fabijański 2.2. Przygotowanie kompozycji Zanim doszło do wyprodukowania wstępnej partii próbek, trzeba było pokonać trudności technologiczne wynikające z wprowadzania bardzo dużej ilości napełniacza będącego proszkiem mineralnym, pozostającym w stanie stałym podczas przetwórstwa. Ponieważ ślimak nie pobierał mieszanki, umieszczono w leju zasypowym dodatkowe urządzenie wspomagające. Niezależnie od trudności pobierania przez ślimak, wielu prób wymagało ustalenia właściwych parametrów procesu, aby uzyskać homogeniczny materiał i wyeliminować piski i zgrzyty w cylindrze maszyny, które pojawiły się podczas pierwszych prób [2]. Do badań przygotowano kilka zestawów kompozycji tworzywowych o różnych zawartościach poszczególnych składników: polistyren wysokoudarowy (HIPS) + uniepalniacz (wodorotlenek magnezu Mg(OH) 2 ), polistyren wysokoudarowy (HIPS)+ wodorotlenek magnezu Mg(OH) 2 + SBS (styrenbutadien-styren), polistyren wysokoudarowy (HIPS)+ wodorotlenek magnezu Mg(OH) 2 + SBS (styrenbutadien-styren) + SEBS (styren-etylen-butylen-styren) Metody badań kompozycji tworzywowych Właściwości mechaniczne oznaczono metodą standardową zgodnie z obowiązującymi normami ogólnymi i przedmiotowymi w zakresie badań właściwości tworzyw sztucznych. Próbki do badań zostały przygotowane metodą wtrysku. W celu określenia właściwości palnych kompozycji przeprowadzono oznaczenie wskaźnika tlenowego OI [9] oraz oznaczenie intensywności wydzielania dymów podczas spalania z normą [8], która ma zastosowanie do materiałów stosowanych w transporcie kolejowym. 3. WYBÓR DANYCH ORAZ SPRAWDZENIE POPRAWNOŚCI DZIAŁANIA SZTUCZNYCH SIECI NEURONOWYCH Uzyskane wyniki badań właściwości materiału wprowadzono do sztucznych sieci neuronowych. Sieć najpierw uczyła się na kompletnych danych eksperymentalnych, a następnie, po zakończeniu procesu uczenia, wykonała symulację dla danych wejściowych nie pochodzących z eksperymentu. Sieć pracowała z tzw. nauczycielem [2, 10, 12, 15, 18]. Wykonano symulacje dwóch następujących przypadków: na podstawie właściwości mechanicznych i palno-dymowych poszukiwano składu mieszaniny (pierwszy zbiór uczący), na podstawie składu mieszaniny poszukiwano właściwości mechanicznych i palno-dymowych (drugi zbiór uczący).
5 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 51 W pierwszym przypadku, jako wielkości wprowadzone do sieci w celu jej nauczenia wybrano: na wejściu: wskaźnik tlenowy OI, naświetlenie S 1, natężenie oświetlenia w czwartej minucie E4 1, twardość HK, udarność U, moduł Younga E, wytrzymałość Ru, na wyjściu zawartości (skład mieszaniny): Mg(OH) 2, HIPS, SBS, SEBS. W drugim przypadku, na podstawie składu mieszaniny (zawartości: Mg(OH) 2, HIPS, SBS oraz SEBS), sieć określała właściwości materiału. W trakcie badań doświadczalnych stwierdzono, że krytycznym parametrem charakteryzującym materiał pod względem mechanicznym jest udarność. Pozostałe trzy utrzymywały się cały czas na wystarczająco wysokim poziomie [2, 17]. Dlatego zdecydowano, że tylko udarność będzie charakteryzowała materiał pod względem mechanicznym. Na tej zasadzie z trzech parametrów palnościowych wybrano dwa: wskaźnik tlenowy i natężenie oświetlenia E4. Naświetlenie S utrzymywało się na wysokim poziomie dla wszystkich interesujących składów mieszaniny Wybór typu sieci Zbiory uczące zostały wykorzystane do określenia najlepszego typu sieci, której należy użyć do rozwiązania postawionego zadania. Jest nim określenie optymalnego składu mieszaniny z punktu widzenia właściwości mechanicznych i palno-dymowych. Wybór typów sieci został dokonany zgodnie z procedurą i postępowaniem przyjętym w programie Statistica Neural Networks. Zgodnie z teorią sztucznych sieci neuronowych należy wybrać sieć o najprostszej budowie i najprostszym algorytmie uczenia [18]. Skutkuje to krótszym czasem uczenia i zmniejszeniem występowania minimów lokalnych, co może prowadzić do osiągnięcia mniejszego błędu. Kierując się tą zasadą i wynikami, jakie otrzymano z testowania sieci oraz możliwościami zmiany jej parametrów, ostatecznie zdecydowano się na sieci typu MLP, które były uczone algorytmem wstecznej propagacji błędu [12, 15]. Na rysunkach 1 i 2 pokazano teoretyczne schematy sieci. 3 Naświetlenie S oraz natężenie oświetlenia w czwartej minucie E4 są parametrami określającymi ilość wydzielanego dymu podczas palenia danego materiału. Badanie trwa cztery minuty, jest przeprowadzone w zamkniętej komorze i polega na pomiarze spadku natężenia światła, w wyniku przepływu dymu pomiędzy źródłem światła a sondą luksomierza. A zatem wyższe wartości S i E4 oznaczają mniejsze ilości wydzielanego dymu.
6 52 J. Garbarski, M. Fabijański W niniejszym artykule pominięto część dotyczącą testowania sieci i pełnego ich wyboru, gdyż przekroczyłoby to ograniczoną liczbę stron. Rys. 1. Schemat sieci MLP dla przypadku: wejście właściwości, wyjście skład Rys. 2. Schemat sieci MLP dla przypadku wejście skład, wyjście właściwości 3.2. Optymalizacja składu mieszaniny według kryterium najlepszych właściwości mechanicznych i palno-dymowych Poszukiwanie składu mieszaniny dla zadanych właściwości materiału Po sprawdzeniu poprawności działania sieci, zarówno dla przypadku poszukiwania składu mieszaniny na podstawie właściwości, jak i dla przypadku odwrotnego, wykonano symulację dla danych wejściowych nie zrealizowanych eksperymentalnie. Umożliwiło to rozszerzenie liczby kombinacji składu mieszanin poza zakres uzyskany eksperymentalnie. W tablicy 1 zestawiono tzw. wyniki wirtualne dla pierwszego przypadku: dane wejściowe właściwości, wyniki skład mieszaniny. Na podstawie znanych wejściowych danych eksperymentalnych [2] starano się tak dobrać dane wejściowe wirtualne, aby
7 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 53 materiał był możliwy do zaakceptowania, zarówno pod względem właściwości mechanicznych, jak i palnościowych. Tablica 1 Wyniki symulacji dla pierwszego zbioru uczącego Dane wejściowe Dane wyjściowe otrzymane z sieci Lp. Wskaźnik tlenowy OI [%] Naświetlenie S [lxs] Natężenie oświetlenia E4 [lx] Twardość HK [MPa] Udarność U [kj/m 2 ] Moduł Youga E [MPa] Naprężenie max [MPa] Mg(OH) 2 [%] , ,9 48,8 8, , , , , ,63 70,2 8, ,4 27, ,796-0, , ,6 94,9 6, ,4 33, , , , ,7 97,8 5, ,1 36, , , , ,6 105,8 3, ,4 42, , , , ,4 116,4 3, ,5 47, , , , ,5 71,9 6, ,6 50, , , , ,3 73,8 6, ,5 51, , , , ,1 75,7 5, ,4 52, , , , ,9 77,6 5, ,3 53, , , , ,7 79,5 5, ,2 54, , , , ,5 81,4 5, ,1 54, , , , ,3 83,3 5, , , , ,1 85,2 4, ,9 54, , , , ,9 87,1 4, ,8 55, , , , ,6 87,5 4, ,8 54, , , , ,1 86,1 4, ,9 55, , , , ,5 84,7 4, , , , , ,9 83,3 4, ,1 55, , , , ,3 81,9 4, ,2 54, , , , ,8 80,5 4, ,4 54, , ,85872 Ponieważ krytycznym kryterium cech palnościowych był wskaźnik tlenowy, natomiast właściwości mechanicznych udarność, w tablicy 1 pogrubioną czcionką zaznaczono mieszaniny, które spełniają jednocześnie warunek OI 28% i udarność zbliżoną do 5 kj/m 2. Składy spełniające kryteria optymalizacji są oznaczone numerami Na rysunku 3 wyróżniono je, stosując obramowania słupków. W zaznaczonych przypadkach wirtualny materiał jest zarówno trudnopalny, jak również ma właściwości mechaniczne możliwe do zaakceptowania, choć udarność nie jest zbyt wysoka. HIPS [%] SBS [%]
8 54 J. Garbarski, M. Fabijański zawartość składników [%] 100% 80% 60% 40% 20% Mg(OH)2 HIPS SBS 0% nr składu Rys. 3. Zestawienie udziału procentowego poszczególnych składników wirtualnej, trudnopalnej mieszaniny dla pierwszego zbioru uczącego (wejście właściwości, wyjście skład), składy optymalne obramowane Poszukiwanie właściwości materiału dla zadanych składów W tym wypadku powtórzono procedurę opisaną w rozdziale , jednak w odwrotnym kierunku. Danymi wejściowymi były składy mieszanin, wynikami zaś właściwości materiału, co przedstawia tablica 2. Podobnie jak poprzednio, optymalne wyniki zaznaczono pogrubioną czcionką. Zestawienie wyników w postaci wykresów słupkowych, ilustrujących wartości poszczególnych parametrów charakteryzujących materiał dla różnych składów mieszanin przedstawiono na rysunkach 4, 5, 6. udarność [kj/m*m] nr składu Mg(OH)2 HIPS optimum optimorum Rys. 4. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla udarności (tablica 2)
9 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 55 Wyniki symulacji dla drugiego zbioru uczącego Tablica 2 Dane wejściowe Dane wyjściowe otrzymane z sieci Lp. Mg(OH) 2 [%] HIPS [%] SBS [%] Udarność U [kj/m 2 ] Wskaźnik tlenowy OI [%] Natężenie oświetlenia [lx] , , , , ,2762-1, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,1668 6, , , , , ,1792 7, , , , , ,1711 7, , , , , ,1443 7, , , , , ,2746 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,3330 4, , , , , ,8587 4, , ,76722
10 56 J. Garbarski, M. Fabijański Z rysunku 4 widać, że udarność jest najwyższa dla składów 7, 8 oraz 13. Odpowiada im największa zawartość HIPS i najmniejsza Mg(OH) 2, a to z kolei powoduje obniżenie parametrów palno-dymowych (duże ilości wydzielanego dymu, niski wskaźnik tlenowy rysunki 5, 6). Ponieważ warunek OI 28% dyskwalifikuje materiał pod względem trudnopalności, składy 7, 8 i 13, mimo wysokiej udarności, zostały odrzucone. OI [%] nr składu Mg(OH)2 HIPS optimum optimorum Rys. 5. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla wskaźnika tlenowego OI (tablica 2) E4 [lx] Mg(OH)2 HIPS optimum optimorum nr składu Rys. 6. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla natężenia oświetlenia w czwartej minucie (tablica 2)
11 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 57 Wiadomo, że największy wpływ na wskaźnik tlenowy ma zawartość mineralnego opóźniacza palenia Mg(OH) 2, jednak powoduje on znaczny spadek udarności. W przypadku kształtowania właściwości materiału, należy użyć niezbędnej, minimalnej ilości tego środka, przy której wartość wskaźnika tlenowego jest większa od 28%. Odpowiada to składom 29 31; 33 35; 42, co widać na rysunku 5 (oznaczenie 2 w legendzie). Kolejnym parametrem palno-dymowym, ważnym ze względu na bezpieczeństwo przeciwpożarowe, jest ilość wydzielanych dymów podczas palenia. W tym przypadku musi być spełniony warunek, aby minimalna wartość E4 nie była niższa niż 20 lx; poniżej tego poziomu materiały uważa się za niebezpieczne ze względu na duże ilości wydzielanego dymu. W przypadku badanych składów nie przedstawiało to problemu, ponieważ wartość E4 przekroczyła 40 lx (rysunek 6). Podobnie jak w przypadku OI, największy wpływ na ten parametr ma zawartość wodorotlenku magnezu. Najkorzystniejsze składy mieszanin pod względem właściwości mechanicznych (udarność) oraz palno-dymowych zaznaczono pogrubioną czcionką w tablicy 2. Odpowiada to słupkom numer 2 na rysunkach 4, 5, 6. Spośród nich optimum optimorum okazała się mieszanina nr 31 (oznaczenie 4 w legendzie). W tym przypadku spełniono wszystkie kryteria kształtowania pożądanych cech trudnopalnego materiału. Wskaźnik tlenowy, choć nieznacznie, ale jednak przekracza minimalną wartość wymaganą (OI 28%). Natomiast wartość natężenia oświetlenia w czwartej minucie jest o wiele wyższa od wymaganego poziomu minimalnego (E4 20 lx). Udarność jest najwyższa spośród składów spełniających powyższe wymagania palnościowe. Zwraca przy tym uwagę fakt, że mieszanina nr 31 ma bardzo podobny skład do optymalnych mieszanin uzyskanych w wyniku symulacji w odwrotnym kierunku (punkt 3.2.1). Są to mieszaniny o składach: 55% Mg(OH) 2 oraz zmieniających się zawartościach odpowiednio: HIPS 40% do 33%, SBS 5,25% do 11,6%, natomiast mieszanina 31 ma skład: Mg(OH) 2 53,4%, HIPS 35,22%, SBS 11,14%. Można zatem uznać, że udało się znaleźć skład optymalny, co z jednej strony ma znaczenie praktyczne, z drugiej zaś potwierdza przydatność odpowiednio skonstruowanych sztucznych sieci neuronowych do rozwiązywania zagadnień tego typu.
12 58 J. Garbarski, M. Fabijański 4. PODSUMOWANIE Prace nad sztucznymi sieciami neuronowymi obejmowały studium nad odpowiednim doborem zbiorów uczących oraz nad wyborem najkorzystniejszego typu sieci do rozwiązania postawionego problemu. Sprawdzono poprawność działania sieci przez porównanie zgodności wyników pochodzących z eksperymentu, z danymi pochodzącymi z symulacji. Pokazano, że istnieje możliwość zastosowania sztucznych sieci neuronowych do poszukiwania składu mieszaniny trudnopalnej. Umożliwia to szybszy wybór składu materiału o właściwościach odpowiednich do danego zastosowania. Sztuczne sieci neuronowe pozwalają więc kształtować właściwości materiału. BIBLIOGRAFIA 1. Boryniec S., Przygodzki W.: Procesy spalania polimerów. Cz. III. Opóźnianie spalania materiałów polimerowych. Polimery, 1999, T. 44, nr 10, s Fabijański M.: Kształtowanie właściwości trudnopalnego polistyrenu wysokoudarowego. Rozprawa doktorska. Warszawa, Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technologii, Fabijański M.: Palność materiałów polimerowych stosowanych w transporcie szynowym, opóźniacze palenia. Problemy Kolejnictwa, 2009, Zeszyt 149, s Fenimore C.P., Martin F.J.: Candle-type test for flammability of polymers. Modern Plastics, 1966,12: Garbarski J., Fabijański M.: Kompozycja polimerowa styrenu wysokoudarowego z napełniaczem mineralnym modyfikowana triblokowym kopolimerem styren-butadienstyren. Szczecin, Wydawnictwo Uczelniane Politechniki Szczecińskiej, EKO-PLAST, 2004, nr 25 25, s Garbarski J., Fabijański M.: Wpływ napełniacza mineralnego na palność tworzyw sztucznych. Przegląd Mechaniczny, 2003, nr 7 8, s Garbarski J., Fabijański M.: Ograniczenie dymotwórczych właściwości tworzyw sztucznych na przykładzie wysokoudarowego polistyrenu. Polimery, 2004, zeszyt 4, s Garbarski J., Fabijański M.: The Properties of Non-flammable Mixture of High Impact Polystyrene and Magnesium Hydroxide Modified with the Admixture of the Styrene- Butadiene-Styrene Copolymer. III International Conference on Advances in Production Engineering APE 2004, 17 18, June 2004, Warsaw, Poland, Oficyna Wydawnicza PW, Part II, p Garbarski J.: Materiały i kompozyty niemetalowe. Warszawa, Oficyna Wydawnicza PW, Haykin S.: Neural networks, a comprehensive foundation. New York, 1994.
13 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości Hilado C.J., ed.: Flammability Handbook for Plastics. 4th ed. Lancaster, Technomic Publishing, 1990, Chapter Hertz J., Krogh A., Palmer R.: Wstęp do teorii obliczeń neuronowych. Warszawa, Wydawnictwa Naukowo-Techniczne, Meyer G.W., Pak S.J, Lee Y.J., and McGrath J.E.: New High-Performance Thermosetting Polymer Matrix Material Systems. Polymer, 36(11): 2303, 2309, Nelson G.L., Wilie C.A.: Fire and Polymers: Materials and Solutions for Hazard Prevention. Washington, American Chemical Society, Osowski S.: Sieci neuronowe do przetwarzania informacji. Warszawa, Oficyna Wydawnicza PW, PN-ISO Oznaczenie zapalności metodą wskaźnika tlenowego w temperaturze pokojowej. 17. PN-K-02501:2000 Tabor kolejowy. Właściwości dymowe materiałów. Wymagania i metody badań. 18. Tadeusiewicz R.: Sieci neuronowe. Warszawa, Akademicka Oficyna Wydawnicza. RM, 1993.
Sztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoINSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH
INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechnika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH BADANIE TWORZYW SZTUCZNYCH OZNACZENIE WŁASNOŚCI MECHANICZNYCH PRZY STATYCZNYM ROZCIĄGANIU
Bardziej szczegółowoMATERIAŁY POLIMEROWE Polymer Materials. forma studiów: studia stacjonarne Liczba godzin/tydzień: 2W, 1L PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu Kierunek: Inżynieria materiałowa Rodzaj przedmiotu: Kierunkowy do wyboru Rodzaj zajęć: Wyk. Lab. Poziom studiów: studia I stopnia MATERIAŁY POLIMEROWE Polymer Materials forma studiów:
Bardziej szczegółowoPRACA DYPLOMOWA W BUDOWIE WKŁADEK FORMUJĄCYCH. Tomasz Kamiński. Temat: ŻYWICE EPOKSYDOWE. dr inż. Leszek Nakonieczny
Politechnika Wrocławska - Wydział Mechaniczny Instytut Technologii Maszyn i Automatyzacji PRACA DYPLOMOWA Tomasz Kamiński Temat: ŻYWICE EPOKSYDOWE W BUDOWIE WKŁADEK FORMUJĄCYCH Promotor: dr inż. Leszek
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoINSTYTUT INŻYNIERII MATERIAŁOWEJ
Ćwiczenie: Przetwórstwo wtryskowe tworzyw termoplastycznych 1 Cel ćwiczenia Podstawowym celem ćwiczenia jest : poznanie budowy wtryskarki ślimakowej, tłokowej, działanie poszczególnych zespołów, ustalenie
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoOpis modułu kształcenia Chemia, technologia otrzymywania oraz materiałoznawstwo polimerów i tworzyw sztucznych
Opis modułu kształcenia Chemia, technologia otrzymywania oraz materiałoznawstwo polimerów i tworzyw sztucznych Nazwa podyplomowych Nazwa obszaru kształcenia, w zakresie którego są prowadzone studia podyplomowe
Bardziej szczegółowoJEDEN MATERIAŁ NIEZLICZONE MOŻLIWOŚĆI Główne informacje o Acrylic One 3/20
JEDEN MATERIAŁ NIEZLICZONE MOŻLIWOŚĆI Główne informacje o Acrylic One 3/20 PODSTAWOWE DANE TECHNICZNE ACRYLIC ONE PROPORCJE MIESZANKI 2A:1B (2 części proszku, 1 część płynu) KOLOR biało-kremowy * 1 GĘSTOŚĆ
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoPOLITECHNIKA GDAŃSKA WYDZIAŁ CHEMICZNY KATEDRA TECHNOLOGII POLIMERÓW
POLITECHNIKA GDAŃSKA WYDZIAŁ CHEMICZNY KATEDRA TECHNOLOGII POLIMERÓW PRZETWÓRSTWO TWORZYW SZTUCZNYCH I GUMY Lab 8. Wyznaczanie optimum wulkanizacji mieszanek kauczukowych na reometrze Monsanto oraz analiza
Bardziej szczegółowoĆwiczenie 2 WSPÓŁPRACA JEDNAKOWYCH OGNIW FOTOWOLTAICZNYCH W RÓŻNYCH KONFIGURACJACH POŁĄCZEŃ. Opis stanowiska pomiarowego. Przebieg ćwiczenia
Ćwiczenie WSPÓŁPRACA JEDNAKOWYCH OGNIW FOTOWOLTAICZNYCH W RÓŻNYCH KONFIGURACJACH POŁĄCZEŃ Opis stanowiska pomiarowego Stanowisko do analizy współpracy jednakowych ogniw fotowoltaicznych w różnych konfiguracjach
Bardziej szczegółowoPL B1. INSTYTUT CHEMII PRZEMYSŁOWEJ IM. PROF. IGNACEGO MOŚCICKIEGO, Warszawa, PL BUP 10/10
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 211051 (13) B1 Urząd Patentowy Rzeczypospolitej Polskiej (21) Numer zgłoszenia: 386455 (22) Data zgłoszenia: 05.11.2008 (51) Int.Cl. C08L 23/00 (2006.01)
Bardziej szczegółowoDobór materiałów konstrukcyjnych cz. 9
Dobór materiałów konstrukcyjnych cz. 9 dr inż. Hanna Smoleńska Katedra Inżynierii Materiałowej i Spajania Wydział Mechaniczny, Politechnika Gdańska Materiały edukacyjne Materiały na uszczelki Ashby M.F.:
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności: Przetwórstwo tworzyw sztucznych i spawalnictwo Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU
Bardziej szczegółowoMODELOWANIE WARSTWY POWIERZCHNIOWEJ O ZMIENNEJ TWARDOŚCI
Dr inż. Danuta MIEDZIŃSKA, email: dmiedzinska@wat.edu.pl Dr inż. Robert PANOWICZ, email: Panowicz@wat.edu.pl Wojskowa Akademia Techniczna, Katedra Mechaniki i Informatyki Stosowanej MODELOWANIE WARSTWY
Bardziej szczegółowoLABORATORIUM NAUKI O MATERIAŁACH
Imię i Nazwisko Grupa dziekańska Indeks Ocena (kol.wejściowe) Ocena (sprawozdanie)........................................................... Ćwiczenie: MISW2 Podpis prowadzącego Politechnika Łódzka Wydział
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoWYTRZYMAŁOŚĆ POŁĄCZEŃ KLEJOWYCH WYKONANYCH NA BAZIE KLEJÓW EPOKSYDOWYCH MODYFIKOWANYCH MONTMORYLONITEM
KATARZYNA BIRUK-URBAN WYTRZYMAŁOŚĆ POŁĄCZEŃ KLEJOWYCH WYKONANYCH NA BAZIE KLEJÓW EPOKSYDOWYCH MODYFIKOWANYCH MONTMORYLONITEM 1. WPROWADZENIE W ostatnich latach można zauważyć bardzo szerokie zastosowanie
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoRelacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych"
Relacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" W dniu 18.04.2015 odbyło się III Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowo17. 17. Modele materiałów
7. MODELE MATERIAŁÓW 7. 7. Modele materiałów 7.. Wprowadzenie Podstawowym modelem w mechanice jest model ośrodka ciągłego. Przyjmuje się, że materia wypełnia przestrzeń w sposób ciągły. Możliwe jest wyznaczenie
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoANALIZA WPŁYWU WYBRANYCH PARAMETRÓW SYGNAŁU WYMUSZAJĄCEGO NA CZAS ODPOWIEDZI OBIEKTU
II Konferencja Naukowa KNWS'05 "Informatyka- sztuka czy rzemios o" 15-18 czerwca 2005, Z otniki Luba skie ANALIZA WPŁYWU WYBRANYCH PARAMETRÓW SYGNAŁU WYMUSZAJĄCEGO NA CZAS ODPOWIEDZI OBIEKTU Piotr Mróz
Bardziej szczegółowoOpis modułu kształcenia Otrzymywanie związków wielkocząsteczkowych
Opis modułu kształcenia Otrzymywanie związków wielkocząsteczkowych Nazwa podyplomowych Nazwa obszaru kształcenia, w zakresie którego są prowadzone studia podyplomowe Nazwa kierunku, z którym jest związany
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
Bardziej szczegółowoPL B1. Kompozycja polistyrenowa o ograniczonej palności i sposób wytwarzania kompozycji polistyrenowej o ograniczonej palności
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 206936 (13) B1 Urząd Patentowy Rzeczypospolitej Polskiej (21) Numer zgłoszenia: 379453 (22) Data zgłoszenia: 12.04.2006 (51) Int.Cl. C08L 25/04 (2006.01)
Bardziej szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoKARTA PRZEDMIOTU. 10. WYMAGANIA WSTĘPNE: 1. Ma podstawową wiedzę w zakresie podstaw chemii oraz fizyki.
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Materiały polimerowe 2. KIERUNEK: Mechanika i budowa maszyn 3. POZIOM STUDIÓW: pierwszego stopnia 4. ROK/ SEMESTR STUDIÓW: rok I / semestr 2 5. LICZBA PUNKTÓW ECTS:
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoSpis treści. Wstęp 11
Technologia chemiczna organiczna : wybrane zagadnienia / pod red. ElŜbiety Kociołek-Balawejder ; aut. poszczególnych rozdz. Agnieszka Ciechanowska [et al.]. Wrocław, 2013 Spis treści Wstęp 11 1. Węgle
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoMetody badań materiałów konstrukcyjnych
Wyznaczanie stałych materiałowych Nr ćwiczenia: 1 Wyznaczyć stałe materiałowe dla zadanych materiałów. Maszyna wytrzymałościowa INSTRON 3367. Stanowisko do badania wytrzymałości na skręcanie. Skalibrować
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoZB6: Materiały kompozytowe o zwiększonej wytrzymałości i odporności termicznej z wykorzystaniem żywic polimerowych do zastosowao w lotnictwie
II KONFERENCJA Indywidualnego projektu kluczowego Nowoczesne technologie materiałowe stosowane w przemyśle lotniczym ZB6: Materiały kompozytowe o zwiększonej wytrzymałości i odporności termicznej z wykorzystaniem
Bardziej szczegółowoNowe przyjazne dla Środowiska kompozyty polimerowe z wykorzystaniem surowców odnawialnych
GŁÓWNY INSTYTUT GÓRNICTWA Nowe przyjazne dla Środowiska kompozyty polimerowe z wykorzystaniem surowców odnawialnych Projekt realizowany w ramach Działania 1.3 PO IG, Poddziałania 1.3.1. Projekt współfinansowany
Bardziej szczegółowoWskaźnik szybkości płynięcia termoplastów
Katedra Technologii Polimerów Przedmiot: Inżynieria polimerów Ćwiczenie laboratoryjne: Wskaźnik szybkości płynięcia termoplastów Wskaźnik szybkości płynięcia Wielkością która charakteryzuje prędkości płynięcia
Bardziej szczegółowoINSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH
INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechnika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH BADANIE TWORZYW SZTUCZNYCH OZNACZENIE WŁASNOŚCI MECHANICZNYCH PRZY STATYCZNYM ROZCIĄGANIU
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoĆWICZENIE 15 WYZNACZANIE (K IC )
POLITECHNIKA WROCŁAWSKA Imię i Nazwisko... WYDZIAŁ MECHANICZNY Wydzia ł... Wydziałowy Zakład Wytrzymałości Materiałów Rok... Grupa... Laboratorium Wytrzymałości Materiałów Data ćwiczenia... ĆWICZENIE 15
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoLABORATORIUM INŻYNIERII MATERIAŁOWEJ
Politechnika Lubelska Wydział Elektrotechniki i Informatyki Katedra Urządzeń Elektrycznych i TWN 20-618 Lublin, ul. Nadbystrzycka 38A www.kueitwn.pollub.pl LABORATORIUM INŻYNIERII MATERIAŁOWEJ Protokół
Bardziej szczegółowoWyznaczanie stopnia krystaliczności wybranych próbek polimerów wykorzystanie programu WAXSFIT
1 ĆWICZENIE 3 Wyznaczanie stopnia krystaliczności wybranych próbek polimerów wykorzystanie programu WAXSFIT Do wyznaczenia stopnia krystaliczności wybranych próbek polimerów wykorzystany zostanie program
Bardziej szczegółowoOPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG
Leon KUKIEŁKA, Krzysztof KUKIEŁKA, Katarzyna GELETA, Łukasz CĄKAŁA OPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG Streszczenie Praca dotyczy optymalizacji kształtu zbiornika toroidalnego na gaz LPG. Kryterium
Bardziej szczegółowohttp://www.chem.uw.edu.pl/people/ AMyslinski/Kaim/cze14.pdf BOEING 747 VERSUS 787: COMPOSITES BUDOWNICTWO Materiały kompozytowe nadają się do użycia w budownictwie w szerokiej gamie zastosowań:
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoĆWICZENIE 15 BADANIE WZMACNIACZY MOCY MAŁEJ CZĘSTOTLIWOŚCI
1 ĆWICZENIE 15 BADANIE WZMACNIACZY MOCY MAŁEJ CZĘSTOTLIWOŚCI 15.1. CEL ĆWICZENIA Celem ćwiczenia jest poznanie podstawowych właściwości wzmacniaczy mocy małej częstotliwości oraz przyswojenie umiejętności
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoLABORATORIUM NAUKI O MATERIAŁACH
Politechnika Łódzka Wydział Mechaniczny Instytut Inżynierii Materiałowej LABORATORIUM NAUKI O MATERIAŁACH Blok nr 3 Kształtowanie właściwości mechanicznych materiałów Ćwiczenie nr KWMM 1 Temat: Obróbka
Bardziej szczegółowoWyniki badań kontrolnych asfaltów wysokomodyfikowanych stosowanych na drogach ZDW w Katowicach. Zbigniew Tabor
Wyniki badań kontrolnych asfaltów wysokomodyfikowanych stosowanych na drogach ZDW w Katowicach Zbigniew Tabor Katowice, 5 czerwca 2019 Asfalt, jak każdy materiał, oprócz swoich zalet posiada też wady.
Bardziej szczegółowoWpływ promieniowania na wybrane właściwości folii biodegradowalnych
WANDA NOWAK, HALINA PODSIADŁO Politechnika Warszawska Wpływ promieniowania na wybrane właściwości folii biodegradowalnych Słowa kluczowe: biodegradacja, kompostowanie, folie celulozowe, właściwości wytrzymałościowe,
Bardziej szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoPracownia Polimery i Biomateriały. Spalanie i termiczna degradacja polimerów
Pracownia Polimery i Biomateriały INSTRUKCJA DO ĆWICZENIA Spalanie i termiczna degradacja polimerów Opracowała dr Hanna Wilczura-Wachnik Uniwersytet Warszawski Wydział Chemii Zakład Dydaktyczny Technologii
Bardziej szczegółowoLABORATORIUM NAUKI O MATERIAŁACH
Politechnika Łódzka Wydział Mechaniczny Instytut Inżynierii Materiałowej LABORATORIUM NAUKI O MATERIAŁACH Blok nr 1 Badania Własności Mechanicznych L.p. Nazwisko i imię Nr indeksu Wydział Semestr Grupa
Bardziej szczegółowoZB nr 5 Nowoczesna obróbka mechaniczna stopów magnezu i aluminium
ZB nr 5 Nowoczesna obróbka mechaniczna stopów magnezu i aluminium Prof. dr hab. inż. Józef Kuczmaszewski CZ 5.1 opracowanie zaawansowanych metod obróbki skrawaniem stopów lekkich stosowanych na elementy
Bardziej szczegółowoBadacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.
Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,
Bardziej szczegółowoKONSTRUKCJA, BUDOWA i EKSPLOATACJA UKŁADÓW UPLASTYCZNIAJĄCYCH WTRYSKAREK MGR INŻ. SZYMON ZIĘBA
KONSTRUKCJA, BUDOWA i EKSPLOATACJA UKŁADÓW UPLASTYCZNIAJĄCYCH WTRYSKAREK MGR INŻ. SZYMON ZIĘBA 1 SCHEMAT WTRYSKARKI ŚLIMAKOWEJ Z KOLANOWO DŹWIGOWYM SYSTEMEM ZAMYKANIA 1 siłownik hydrauliczny napędu stołu,
Bardziej szczegółowoOPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI
Autoreferat do rozprawy doktorskiej OPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI Michał Mazur Gliwice 2016 1 2 Montaż samochodów na linii w
Bardziej szczegółowoZachodniopomorski Uniwersytet Technologiczny INSTYTUT INŻYNIERII MATERIAŁOWEJ ZAKŁAD METALOZNAWSTWA I ODLEWNICTWA
Zachodniopomorski Uniwersytet Technologiczny INSTYTUT INŻYNIERII MATERIAŁOWEJ ZAKŁAD METALOZNAWSTWA I ODLEWNICTWA PRZEDMIOT: INŻYNIERIA WARSTWY WIERZCHNIEJ Temat ćwiczenia: Badanie prędkości zużycia materiałów
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoSPOSÓB SPRAWDZANIA ZGODNOŚCI MATERIAŁÓW I WYROBÓW Z TWORZYW SZTUCZNYCH Z USTALONYMI LIMITAMI
Załącznik do rozporządzenia Ministra Zdrowia z dnia 15 października 2013 r. SPOSÓB SPRAWDZANIA ZGODNOŚCI MATERIAŁÓW I WYROBÓW Z TWORZYW SZTUCZNYCH Z USTALONYMI LIMITAMI Ogólne zasady badania migracji globalnej
Bardziej szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoWarszawa, dnia 19 listopada 2013 r. Poz. 1343 ROZPORZĄDZENIE MINISTRA ZDROWIA 1) z dnia 15 października 2013 r.
DZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ Warszawa, dnia 19 listopada 2013 r. Poz. 1343 ROZPORZĄDZENIE MINISTRA ZDROWIA 1) z dnia 15 października 2013 r. w sprawie wykazu substancji, których stosowanie
Bardziej szczegółowoWYKORZYSTANIE GRANULATU GUMOWEGO W MIESZANKACH MINERALNO-ASFALTOWYCH
WYKORZYSTANIE GRANULATU GUMOWEGO W MIESZANKACH MINERALNO-ASFALTOWYCH Dr inż. Robert Jurczak Zachodniopomorski Uniwersytet Technologiczny w Szczecinie/GDDKiA PLAN PREZENTACJI 1. Problem zużytych opon samochodowych
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: PROJEKTOWANIE PROCESÓW PRZETWÓRCZYCH Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności: Przetwórstwo tworzyw polimerowych Rodzaj zajęć: wykład, laboratorium
Bardziej szczegółowoPL B1. Instytut Chemii Przemysłowej im. Prof. I. Mościckiego,Warszawa,PL BUP 07/03
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 196811 (13) B1 (21) Numer zgłoszenia: 349968 (51) Int.Cl. C08J 11/10 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22) Data zgłoszenia: 02.10.2001
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoRozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak
2 Rozdział 1 Sztuczne sieci neuronowe. 3 Sztuczna sieć neuronowa jest zbiorem prostych elementów pracujących równolegle, których zasada działania inspirowana jest biologicznym systemem nerwowym. Sztuczną
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoANALIZA MES PROCESU WYTWARZANIA WYPRASKI, BĘDĄCEJ INTEGRALNYM ELEMENTEM KARABINKA WOJSKOWEGO
IX Konferencja naukowo-techniczna Programy MES w komputerowym wspomaganiu analizy, projektowania i wytwarzania ANALIZA MES PROCESU WYTWARZANIA WYPRASKI, BĘDĄCEJ INTEGRALNYM ELEMENTEM KARABINKA WOJSKOWEGO
Bardziej szczegółowoW ETAPIE I projektu scharakteryzowany zostanie proces ciągłej dewulkanizacji termomechanicznej w różnych warunkach (temperatura, prędkość obrotowa,
Katedra Technologii Polimerów, realizuje projekt badawczorozwojowy pt. Alternatywne produkty recyklingu materiałowego odpadów gumowych RX-03/46/2011 dofinansowany przez Wojewódzki Fundusz Ochrony Środowiska
Bardziej szczegółowoTWORZYWA SZTUCZNE. forma studiów: studia stacjonarne Liczba godzin/tydzień: 2W (sem. II) 2W e, 15L (sem.iii) PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu Kierunek: Inżynieria materiałowa Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: Wyk. Lab. Poziom studiów: studia II stopnia TWORZYWA SZTUCZNE forma studiów: studia stacjonarne /tydzień:
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoPLAN STUDIÓW NR VI. STUDIA PIERWSZEGO STOPNIA (3,5-letnie inżynierskie)
Pozycja WYDZIAŁ TECHNOLOGII I INŻYNIERII CHEMICZNEJ TECHNOLOGIA PROCESÓW CHEMICZNYCH 2. BIOTECHNOLOGIA PRZEMYSŁOWA 3. ANALITYKA CHEMICZNA I SPOŻYWCZA 4. CHEMIA I TECHNOLOGIA KOSMETYKÓW w tym I II V godzin
Bardziej szczegółowoThe project "TEMPUS - MMATENG"
The project "TEMPUS - MMATENG" MAT SPAW PROGRAM WSPOMAGAJĄCY ANALIZĘ SPAWALNOŚCI STALI I OPRACOWANIE TECHNOLOGII SPAWANIA Janusz Mikuła, Dr.-eng. Hab., Professor, Director of Institute Material Engineering
Bardziej szczegółowoPrzykładowe funkcje przejścia używane przy budowie sztucznych neuronów
Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów Funkcja Wzór funkcji Wzór pochodnej Sigmoida f(s)=1/(1+e -(β*s) ) f (s)=β*(1- f(s))* f(s) Funkcje przejścia neuronu powinno się rozpatrywać
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoPL B BUP 14/ WUP 09/08. Anna Królikowska, Instytut Chemii Przemysłowej, im.prof.ignacego Mościckiego
RZECZPOSPOLITA POLSKA Urząd Patentowy Rzeczypospolitej Polskiej (12) OPIS PATENTOWY (19) PL (11) 199328 (21) Numer zgłoszenia: 364278 (22) Data zgłoszenia: 30.12.2003 (13) B1 (51) Int.Cl. C08L 25/06 (2006.01)
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoSTATYCZNA PRÓBA ROZCIĄGANIA
STATYCZNA PRÓBA ROZCIĄGANIA Próba statyczna rozciągania jest jedną z podstawowych prób stosowanych do określenia jakości materiałów konstrukcyjnych wg kryterium naprężeniowego w warunkach obciążeń statycznych.
Bardziej szczegółowo